一种键盘匹配多设备的自动控制方法与流程

1.本发明涉及计算机技术领域，尤其是指一种键盘匹配多设备的自动控制方法。


背景技术：

2.随着科技的发展，联网的设备不断地增多，进一步地，管理与控制会变得更加地复杂多变。由于人的精力是有限的，面对如此多联网的设备，亟需一套自动化和智能的控制方法，但是，目前较多使用的控制方法较为传统，仅是一些阈值的调节，尚未进一步地使用人工智能相关方法进行调节与控制，而人工智能方法可通过训练获得相应模式的控制模型。鉴于此，实有必要提供一种键盘匹配多设备的自动控制方法，以解决上述问题，从而为用户节省人力成本和时间成本，提高工作效率。


技术实现要素：

3.本发明针对现有技术的问题提供一种键盘匹配多设备的自动控制方法，设计巧妙，用户可以根据需求，切换不同的模式，本发明根据所接收的输入信息，定义相应模式的奖励函数，即可训练出所需模式的模型，从而能够自动化控制联网设备，节省人力物力，提高工作效率。
4.为了解决上述技术问题，本发明采用如下技术方案：
5.本发明提供了一种键盘匹配多设备的自动控制方法，包括以下步骤：
6.s1、键盘接收多个设备的标识号、设备数据信息、传感器数据和用户选择的模式构成输入信息；
7.s2、键盘根据接收的输入信息，将该输入信息和用户选择的模式来定义相应的奖励函数并进行强化学习算法的训练，从而得到相应模式训练好的权值参数，并保存模型；
8.s3、键盘根据接收的输入信息，根据用户的选择模式调用训练好的相应模式的模型，将该输入信息输入到强化学习算法中；
9.s4、强化学习算法根据用户的选择模式和相应传感器数据、设备等信息，输出相应模式的多控制指令信息。
10.其中，所述用户选择的模式包括安全模式、节能模式、静谧模式、娱乐模式和净化空气模式。
11.其中，所述键盘上设置有模式切换旋钮，用户可以通过模式切换旋钮来切换不同的模式。
12.其中，所述强化学习算法根据所接收的输入信息，定义相应模式的奖励函数，即可训练出所需模式的模型，在深度强化学习中，强化学习由深层神经网络构成，将多个输入映射至多个输出。
13.其中，所述传感器数据包括温度值、湿度值、pm2.5值、光照值和音响音量值。
14.其中，所述设备数据信息包括当前时间和当前开启的设备数量信息。
15.其中，所述多控制指令信息包括空调的开关指令o
k1
与温度调节指令窗帘电
机旋转指令or、音响音量大小调节指令oy、空气净化器开关指令o
k2
与空气净化器调节指令
16.其中，所述强化学习算法采用dqn算法，通过空调的开关i
k1
，空调温度调节i
t
，温度传感器值i
v1
，空调电量i
q1
，音响开关音量大小iy，声音传感器值i
v2
，音响电量空气净化器开关i
k3
，空气净化器净化强度ia，pm2.5气体检测传感器数值i
v3
，空气净化器电量rgb灯光调节i
rgb
，rgb灯电量烟雾传感器i
smoke
,算法模型的输入信息为：
17.而通过空调的开关o
k1
，空调温度调节o
t
，音响开关音量大小oy，空气净化器开关o
k3
，空气净化器净化强度oa，rgb灯数值o
rgb
，灭火气体和干粉输出值o
powder
，排气扇风速调节o
fan
,算法模型的输出信息为更新神经网络参数为p＝p a(o-oy)，其中，oy为对应o中设备的实际输出值，α为学习率，均设为0.1。
18.本发明的有益效果：
19.本发明设计巧妙，用户可以根据需求，切换不同的模式，本发明根据所接收的输入信息，定义相应模式的奖励函数，即可训练出所需模式的模型，从而能够自动化控制联网设备，节省人力物力，提高工作效率。
附图说明
20.图1为本发明的一种键盘匹配多设备的自动控制方法的流程图。
具体实施方式
21.为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。以下结合附图对本发明进行详细的描述。
22.一种键盘匹配多设备的自动控制方法，包括以下步骤：
23.s1、键盘接收多个设备的标识号、设备数据信息、传感器数据和用户选择的模式构成输入信息；
24.s2、键盘根据接收的输入信息，将该输入信息和用户选择的模式来定义相应的奖励函数并进行强化学习算法的训练，从而得到相应模式训练好的权值参数，并保存模型；
25.s3、键盘根据接收的输入信息，根据用户的选择模式调用训练好的相应模式的模型，将该输入信息输入到强化学习算法中；
26.s4、强化学习算法根据用户的选择模式和相应传感器数据、设备等信息，输出相应模式的多控制指令信息。
27.具体地，本发明设计巧妙，用户可以根据需求，切换不同的模式，本发明根据所接收的输入信息，定义相应模式的奖励函数，即可训练出所需模式的模型，从而能够自动化控制联网设备，节省人力物力，提高工作效率。
28.其中，所述用户选择的模式包括安全模式、节能模式、静谧模式、娱乐模式和净化空气模式。
29.其中，所述键盘上设置有模式切换旋钮，用户可以通过模式切换旋钮来切换不同的模式。
30.其中，所述强化学习算法根据所接收的输入信息，定义相应模式的奖励函数，即可训练出所需模式的模型，在深度强化学习中，强化学习由深层神经网络构成，将多个输入映射至多个输出。
31.其中，所述传感器数据包括温度值、湿度值、pm2.5值、光照值和音响音量值。
32.其中，所述设备数据信息包括当前时间和当前开启的设备数量信息。
33.其中，所述多控制指令信息包括空调的开关指令o
k1
与温度调节指令窗帘电机旋转指令or、音响音量大小调节指令oy、空气净化器开关指令o
k2
与空气净化器调节指令
34.其中，所述强化学习算法采用dqn算法，通过空调的开关i
k1
，空调温度调节i
t
，温度传感器值i
v1
，空调电量i
q1
，音响开关音量大小iy，声音传感器值i
v2
，音响电量空气净化器开关i
k3
，空气净化器净化强度ia，pm2.5气体检测传感器数值i
v3
，空气净化器电量rgb灯光调节i
rgb
，rgb灯电量烟雾传感器i
smoke
,算法模型的输入信息为：
35.而通过空调的开关o
k1
，空调温度调节o
t
，音响开关音量大小oy，空气净化器开关o
k3
，空气净化器净化强度oa，rgb灯数值o
rgb
，灭火气体和干粉输出值o
powder
，排气扇风速调节o
fan
,算法模型的输出信息为更新神经网络参数为p＝p a(o-oy)，其中，oy为对应o中设备的实际输出值，α为学习率，均设为0.1。
36.在安全模式结合节能模式中，通过算法模型的输入信息为定义电量尽可能小的奖励函数：
37.其中,w
smoke
设为10,因为考虑安全问题需对烟雾气体的数值更加地敏感，目标是让奖励值r越大越好，当奖励值r稳定后即模型参数收敛，输出相应的指令即尽可能关闭不必要的设备和降低相应设备的功耗，让相应的设备进入节能模式，在烟雾值达到模型测定的浓度，即开启风扇将干粉送到目标区域；
38.在净化空气模式结合安全模式结合节能模式中，定义电量尽可能小和pm2.5数值尽可能小的奖励函数：
39.其中,w
smoke
设为10，w
v3
设为5,因为在该模式对pm2.5气体的数值更加地敏感；
40.在静谧模式结合安全模式结合节能模式中，定义电量尽可能小和声音数值尽可能
小的奖励函数：
41.其中，w
smoke
设为10，w
v2
设为5,因为在该模式对声音的数值更加地敏感；
42.在娱乐模式结合安全模式结合节能模式中，定义电量尽可能小和声音数值尽可能小的奖励函数：
43.其中，w
smoke
设为10，w
rgb
设为5,因为在该模式对rgb灯光的数值更加地敏感。
44.以上所述，仅是本发明较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明以较佳实施例公开如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当利用上述揭示的技术内容作出些许变更或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明技术是指对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围内。